اکبر ارمغانی - دانشجوی کارشناسی ارشد مهندسی عمران دانشگاه صنعتی جندی شاپور-دزفول
بابک لشکرآرا - استادیار دانشگاه صنعتی جندی شاپور-دزفول
علی محمد آخوندعلی - استاد دانشگاه شهید چمران اهواز
علی اسلامی - دانشجوی کارشناسی مهندسی عمران دانشگاه صنعتی جندی شاپور-دزفول

جریان عبوری از سیستمهای تخلیه سیلاب اغلب به صورت جتهای ریزشی خارج میشود که این امر میتواند منجر به آبشستگی با ابعاد مختلف در رودخانه پایاب و اطراف این سازه ها گردد. پیش بینی ابعاد حفره آبشستگی، از مسایل چالش برانگیز علم هیدرولیک محسوب میگردد. ابعاد و مشخصات حفره آبشستگی متأثر از متغیرهای متعددی از قبیل پارامترهای جریان، مشخصات بستر آبرفتی، زمان و هندسه آبراهه و همچنین ارتفاع ریزش میباشد. با افزایش میزان ارتفاع ریزش در جتهای ریزشی، میزان غلظت هوای ترکیب شده با جت افزایش یافته و منجر به کاهش اثر مغزه جت بر میزان عمق آبشستگی می گردد. از آنجایی که ساخت مدل فیزیکی مشکلات و محدودیتهایی به همراه دارد و معمولا در تعیین نگاشت میان پارامترهای موثر بر آبشستگی نمیتوان اثر دقیق همه پارامترها را در نظر گرفت، لذا در مقاله حاضر بهینه یابی ابعاد حفره آبشستگی ناشی از جتهای ریزشی با استفاده از هوش مصنوعی مورد توجه قرار گرفته است. در این راستا از داده های آزمایشگاهی حاصل از بررسی اثرهوادهی جت بر عمق آبشستگی استفاده شده است. تحقیق حاضر پیرامون کاربرد سیستم هوشمند در تعیین اثر میزان هوای ورودی درون جت خروجی از نازل مستغرق بر ابعاد آبشستگی ارائه گردیده است. در این راستا ابتدا با استفاده از 80 درصد داده های آزمایشگاهی نسبت به آموزش شبکه عصبی مصنوعی اقدام گردید. سپس با استفاده از 20 درصد از داده های آزمایشگاهی دیگر که هیچ نقشی را در هنگام آموزش شبکه عصبی ایفا ننموده اند نسبت به صحت سنجی نتایج حاصل از شبکه هوشمند یاد شده مبادرت ورزیده شد. بررسیهای آماری صورت گرفته بر پارامترهای مختلف هیدرولیکی موثردر عمق آبشستگی نشان میدهد که حداکثر خطای حاصله در اثر استفاده از مدل شبکه عصبی مصنوعی در تخمین عمق حفره آبشستگی 1.03درصد و حداکثر خطای مقدار نظیر به هنگام استفاده از معادله رگرسیون غیر خطی معادل 3.5 میباشد. از طرفی بین مقادیر ابعاد حفره آبشستگی پیش بینی شده توسط شبکه عصبی مصنوعی از ضریب همبستگی 0.99 برخوردار است.

جت ریزشی ، پیش هوادهی ، آبشستگی ، شبکه عصبی مصنوعی